ko-pii-detector-ax-tokenclf

Korean PII (Personally Identifiable Information) span detector — token classification (BIO tagging) head on top of skt/A.X-Encoder-base.

• Github: id4thomas/ko-pii-detector

Performance

Entity-level (exact span match) on held-out test set (14,294 examples):

metric	precision	recall	f1
micro avg	0.9634	0.9779	0.9706
macro avg	0.9595	0.9746	0.9669

Per label (f1, entity-level exact match):

label	f1	label	f1
EMAIL	0.9984	RRN	0.9723
DATE	0.9955	ADDRESS	0.9714
CARD_EXPIRY	0.9954	PASSPORT	0.9700
ACCOUNT_NUMBER	0.9939	USER_ID	0.9575
CARD_NUMBER	0.9934	PHONE	0.9447
SECRET	0.9908	FRN	0.9306
IPIN	0.9870	GENERIC_ID	0.9161
PERSON	0.9849	DRIVER_LICENSE	0.8343
ZIPCODE	0.9838
CVC	0.9838

DRIVER_LICENSE/GENERIC_ID are the weakest labels (high format variance, no fixed pattern to key on).

Full precision/recall per label, CRF-head comparison: ko-pii-detector docs/performance.md

Dataset

Trained on BCCard/pii-masking-openpii-finance with additional noise injection (typos, spacing/format variants, obfuscation, partial-value references, distractor IDs, etc. — see docs/noise.md) to make the model robust to real-world noisy input.

18 span labels:

label	description
PERSON	full name
RRN	resident registration number (Korea)
FRN	foreign registration number
CARD_NUMBER	credit/debit card PAN
ACCOUNT_NUMBER	bank account number
SECRET	auth secret (password / API key / token)
USER_ID	online member ID
EMAIL	email address
PHONE	phone number (mobile / landline)
PASSPORT	passport number
DRIVER_LICENSE	driver's license number
GENERIC_ID	generic identifier (no KO counterpart)
ADDRESS	address (city / street / building)
ZIPCODE	postal code
DATE	date / time
CARD_EXPIRY	card expiry date
CVC	card verification code
IPIN	I-PIN number

Usage Example

import torch
from transformers import AutoModelForTokenClassification, AutoTokenizer

# Load tokenizer, model
tokenizer = AutoTokenizer.from_pretrained("id4thomas/ko-pii-detector-ax-tokenclf", use_fast=True)
model = AutoModelForTokenClassification.from_pretrained("id4thomas/ko-pii-detector-ax-tokenclf")
model.eval()

id2label = model.config.id2label

# predict
text = "문의사항은 010-1234-5678 또는 hong@example.com 으로 연락 주세요."
enc = tokenizer(text, return_tensors="pt", return_offsets_mapping=True)
offsets = enc.pop("offset_mapping")[0].tolist()

with torch.no_grad():
    pred_ids = model(**enc).logits.argmax(dim=-1)[0].tolist()

# merge BIO-tagged tokens into entity spans
entities, cur = [], None
for pred_id, (start, end) in zip(pred_ids, offsets):
    if start == end:
        continue
    tag = id2label[pred_id]
    if tag == "O":
        cur = None
        continue
    prefix, _, label = tag.partition("-")
    if prefix == "B" or cur is None or cur["label"] != label:
        cur = {"label": label, "start": start, "end": end}
        entities.append(cur)
    else:
        cur["end"] = end

for ent in entities:
    ent["value"] = text[ent["start"]:ent["end"]]
    print(ent)
# {'label': 'PHONE', 'start': 6, 'end': 19, 'value': '010-1234-5678'}
# {'label': 'EMAIL', 'start': 23, 'end': 39, 'value': 'hong@example.com'}

More Examples (per label)

One example per label from dataset's held-out validataion

label	text	predicted entities
PERSON	중고차 할부 금리 인하 요구권 신청 - 신청인 서은우, 면허번호 64-23-318617-41, 사유 신용등급 상승.	PERSON: 서은우 · DRIVER_LICENSE: 64-23-318617-41
RRN	가족 합산 실적 등록 요청: 본인 670827-1922483, 배우자 930826-6089963, 합산 기준일 2023년 6월 18일, 합산 실적 3,400,000원.	RRN: 670827-1922483 · FRN: 930826-6089963 · DATE: 2023년 6월 18일
FRN	이체 한도 상향 심사에 신분 확인이 추가로 필요합니다. 외국인등록번호 000609-8628264와 재직증명서를 앱으로 제출해 주세요. 심사번호 RV-2210.	FRN: 000609-8628264
CARD_NUMBER	추가 서류로는 1993HP@tutanota.com으로 전송된 AX8F9I3KEY와 GMHFUPB2OC 사본이 필요하며, 이를 제공하지 않을 경우 세액공제 금액이 2200047020154130만큼 감소할 수 있습니다.	EMAIL: 1993HP@tutanota.com · GENERIC_ID: AX8F9I3KEY · DRIVER_LICENSE: GMHFUPB2OC · CARD_NUMBER: 2200047020154130
ACCOUNT_NUMBER	자녀 학원비 자동이체를 걸려고 합니다. 출금 계좌 247-23-769052, 매월 5일, 금액 420,000원.	ACCOUNT_NUMBER: 247-23-769052
SECRET	모바일 OTP 재등록 중입니다. 계정 pzmmgtx, 임시 비밀번호 QJ#qhsLRko70, 오류 코드 AU-77.	USER_ID: pzmmgtx · SECRET: QJ#qhsLRko70
USER_ID	연금 조회 서비스 가입 확인 메일입니다. 아이디 mbllxmb.4, 초기 비밀번호 dZq70t2fmd0H, 가입일 2059-07-07.	USER_ID: mbllxmb.4 · SECRET: dZq70t2fmd0H · DATE: 2059-07-07
EMAIL	yang Moheb 님께, 귀하의 후보자 벤치마킹 점수는 0 점이며, 상세 내용은 문세연@gmail.com 로 송부드리겠습니다.	PERSON: Moheb · EMAIL: 문세연@gmail.com
PHONE	향미 연자 님, ... 담당자 연락처: (88).0410.3736 ... 승인자: 라나 부자도	PERSON: 향미 연자 · PHONE: (88).0410.3736 · PERSON: 라나 부자도
PASSPORT	선박 승무원 급여 계좌 개설 서류 - 승무원 김영철, 여권번호 F818J7636, 승선 계약서 사본, 개설 지점 항만점.	PERSON: 김영철 · PASSPORT: F818J7636 · ADDRESS: 항만점 (false positive)
DRIVER_LICENSE	신청서는 기@hotmail.com 로 보내시고, 필요 서류로는 VHIO4UYEIC 과 1VHIE1OCT3이 포함됩니다.	EMAIL: 기@hotmail.com · GENERIC_ID: VHIO4UYEIC · DRIVER_LICENSE: 1VHIE1OCT3
GENERIC_ID	미청구 보험금 안내문: 계약 식별번호 FC9XLY8KJ5 기준 미청구 실손 보험금 127,400원이 확인됩니다. 앱에서 청구하세요.	GENERIC_ID: FC9XLY8KJ5
ADDRESS	배송 오류 보상 안내: 오배송지 제주도 해남군 노형동 519-32 개나리아파트 121동 1364호 (우편번호 04362)로 발송된 카드가 회수되었으며, ...	ADDRESS: 제주도 해남군 노형동 519-32 개나리아파트 121동 1364호 · ZIPCODE: 04362
ZIPCODE	신규 신청 양식에는 거주 주소가 필요합니다. 예: 사평로 50 번지, 30140 우편번호, 대전광역시 월평1동 월평1동 시.	ADDRESS: 사평로 50 · ZIPCODE: 30140 · ADDRESS: 대전광역시 월평1동 월평1동
DATE	안녕하세요 군 림님, ... 날짜: 25/12/1998, 장소: 40th Division Road 482, 연락처: 003-556 3130.	PERSON: 림 · PERSON: 은채 · DATE: 25/12/1998 · ADDRESS: 40th Division Road 482 · PHONE: 003-556 3130
CARD_EXPIRY	멤버십 자동 갱신을 해지해 주세요. 등록 카드는 4395952462642202이고 유효기간 05/30, CVC 461까지 확인해 드렸습니다.	CARD_NUMBER: 4395952462642202 · CARD_EXPIRY: 05/30 · CVC: 461
CVC	긴급 정지 요청! 방금 피싱 사이트에 카드번호 5126587179360798와 유효기간 03/26, CVC 704까지 입력해 버렸습니다.	CARD_NUMBER: 5126587179360798 · CARD_EXPIRY: 03/26 · CVC: 704
IPIN	구인 사이트 이력서 공개 설정 변경은 아이핀 2938510213123 재인증 후 가능합니다.	IPIN: 2938510213123

Predictions match gold labels exactly for all rows except PASSPORT, where the model adds one false-positive ADDRESS span (항만점, a bank-branch name suffix).